
# Importamos las librerías necesarias 
import pandas as pd
import numpy as np
import matplotlib.pyplot as plt 
import plotly.express as px
import seaborn as sns

from imblearn.over_sampling import SMOTE

from sklearn.preprocessing import StandardScaler
from sklearn.model_selection import train_test_split


from sklearn.metrics import accuracy_score, classification_report  
from sklearn.metrics import confusion_matrix, roc_curve, auc, roc_auc_score

from sklearn.linear_model import LogisticRegression
from sklearn.model_selection import GridSearchCV 


import warnings
warnings.filterwarnings('ignore')


pd.set_option('display.max_columns', None)


# Leemos la tabla 
df_msf_union = pd.read_csv('Data/df_union.csv.gz', compression='gzip')
df_msf_union.head(3)


# Tamaño bbdd
df_msf_union.shape

(597853, 34)


# Mostrar las columnas y sus tipos
print("Columnas y sus tipos:")
print(df_msf_union.dtypes)

Columnas y sus tipos:
rec_id                                      object
msf_annualizedquota__c                     float64
msf_cancelationdate__c                      object
msf_currentleadsource1__c                   object
msf_currentquotamodification__c             object
msf_leadsource1__c                          object
msf_memberid__c                              int64
npe03__contact__c                           object
npe03__date_established__c                  object
npe03__installment_period__c                object
npe03__recurring_donation_campaign__c       object
msf_birthyear__c                           float64
Gender__c                                   object
msf_LTVCont__c                             float64
msf_PressureComplaint__c                      bool
msf_ScoringRFVRecurringDonor__c            float64
msf_AverageDonorValue__c                   float64
con_id                                      object
msf_EntryCampaign__c                        object
msf_FirstCampaignEntryRecurringDonor__c     object
msf_FirstCampaingColaboration__c            object
quo_id                                      object
isdeleted                                     bool
msf_recurringdonation__c                    object
msf_campaigninfluence__c                    object
msf_changeannualizedquota__c               float64
msf_changetype__c                           object
msf_leadsource3__c                          object
msf_newannualizedquota__c                  float64
msf_newrecurringperiod__c                   object
msf_contactid__c                            object
msf_changedate__c                           object
flag_aumento                                 int64
year_activo                                  int64
dtype: object


# Hay columnas que tiene datos con relación a fechas pero no son de tipo fecha, las convertimos.
def cast_as_datetime(dataframe):
    cols = dataframe.columns
    datecols = [col for col in cols if "date" in col]
    for col in datecols: 
        dataframe[col] = pd.to_datetime(dataframe[col], format='%Y/%m/%d')
    return dataframe


#Llamamos a la función creada:
df_msf_union = cast_as_datetime(df_msf_union)


# Transformamos fecha de nacimiento en edad
currentYear = 2023
df_msf_union["age"]=  currentYear - df_msf_union["msf_birthyear__c"]


df_msf_union.head(2)


# Leemos la tabla de contactos 
data_contact = pd.read_parquet("Descarga tablas/MSF_Contact.parquet")


# Realizar un LEFT JOIN en base a la columna común para pegar el campo provincia y seniority
merged_df = pd.merge(df_msf_union, data_contact[['id', 'mailingstate','msf_seniority__c']],  left_on='msf_contactid__c', right_on='id', how='left')


# Transformamos el campo mailingstate según nuestro criterio
# Define las condiciones 
condicion1 = merged_df['mailingstate'].str.lower().str.contains(r'bar.*ona|lle.*da|le.*da|tarr.*|gi.*ona|ge.*ona|catal.*|bad.*ona|ter.*ona|ter.*sa', case=False, na=False)
condicion2 = merged_df['mailingstate'].str.lower().str.contains('madrid|madird', case=False, na=False)
condicion3 = merged_df['mailingstate'].str.lower().str.contains(r'sev.*', case=False, na=False)
condicion4 = merged_df['mailingstate'].str.lower().str.contains(r'pa.*co|gu.*coa|g.*k|vi.*y|bi.*y|vi.*k|bi.*k|alava.*|alaba.*|san.* se|dono.*|vit.*', case=False, na=False)
condicion5 = merged_df['mailingstate'].str.lower().str.contains(r'va.*ia', case=False, na=False)

# valores correspondientes para cada condición
valor1 = 'Cataluña'
valor2 = 'Madrid'
valor3 = 'Sevilla'
valor4 = 'Pais Vasco'
valor5 = 'Valencia'

# Valor predeterminado si ninguna de las condiciones se cumple
valor_predeterminado = 'Resto'

# asignar valores basados en las condiciones
merged_df['Provincia2'] = np.select([condicion1, condicion2, condicion3, condicion4,condicion5], [valor1, valor2, valor3, valor4,valor5], default=valor_predeterminado)


# Reemplazar los valores en blanco ('') con NaN
merged_df.replace('', np.nan, inplace=True)

# Calcular el porcentaje de valores nulos (incluyendo los valores en blanco)
porcentaje_nulos = merged_df.isnull().mean() * 100

# Mostrar el porcentaje de valores nulos (incluyendo los valores en blanco)
print(porcentaje_nulos)

rec_id                                      0.000000
msf_annualizedquota__c                      0.000000
msf_cancelationdate__c                     61.883440
msf_currentleadsource1__c                   0.029271
msf_currentquotamodification__c             0.118758
msf_leadsource1__c                          0.010705
msf_memberid__c                             0.000000
npe03__contact__c                           0.000000
npe03__date_established__c                  0.000000
npe03__installment_period__c                0.215605
npe03__recurring_donation_campaign__c       0.000167
msf_birthyear__c                           18.685864
Gender__c                                   1.039720
msf_LTVCont__c                              0.819599
msf_PressureComplaint__c                    0.000000
msf_ScoringRFVRecurringDonor__c             0.000000
msf_AverageDonorValue__c                   74.653970
con_id                                      0.000000
msf_EntryCampaign__c                        0.007861
msf_FirstCampaignEntryRecurringDonor__c     0.007694
msf_FirstCampaingColaboration__c            0.476539
quo_id                                      0.000000
isdeleted                                   0.000000
msf_recurringdonation__c                    0.000000
msf_campaigninfluence__c                    0.034122
msf_changeannualizedquota__c                0.000000
msf_changetype__c                           0.000000
msf_leadsource3__c                          2.384533
msf_newannualizedquota__c                   0.000000
msf_newrecurringperiod__c                   0.016894
msf_contactid__c                            0.000000
msf_changedate__c                           0.030442
flag_aumento                                0.000000
year_activo                                 0.000000
age                                        18.685864
id                                          0.000000
mailingstate                                3.037536
msf_seniority__c                            0.000000
Provincia2                                  0.000000
dtype: float64


# Borramos columnas que no consideramos necesarias para el modelo
drop_columns = ['msf_campaigninfluence__c','msf_memberid__c', 'npe03__contact__c', 'msf_campaigninfluence__c', 'msf_birthyear__c','msf_FirstCampaignEntryRecurringDonor__c','mailingstate',
                'isdeleted', 'msf_EntryCampaign__c','msf_EntryCampaign__c','msf_FirstCampaingColaboration__c', 'msf_campaigninfluence__c','quo_id', 'msf_contactid__c','msf_changetype__c','msf_changedate__c',
               'msf_recurringdonation__c','msf_recurringdonation__c', 'npe03__recurring_donation_campaign__c','id','msf_cancelationdate__c','npe03__date_established__c','msf_currentquotamodification__c','msf_birthyear__c']
merged_df_f = merged_df.drop(drop_columns, axis=1)


# Creamos un nuevo campo como índice actual del DataFrame
merged_df_f["index"] = merged_df_f.index


# Obtenemos un resumen estadístico de las columnas numéricas
merged_df_f.describe()


#Veamos la distribución de las variables númericas:
for variable in merged_df_f.select_dtypes(include='number'):
    fig = merged_df_f[variable].hist(bins=50)
    fig.set_title(f"Distribución de la variable {variable}")
    fig.set_xlabel(f"{variable}")
    fig.set_ylabel('Número')
    plt.show()


merged_df_f["age"] = merged_df_f["age"].replace({np.nan:merged_df_f["age"].median()})
merged_df_f["msf_LTVCont__c"] = merged_df_f["msf_LTVCont__c"].replace({np.nan:merged_df_f["msf_LTVCont__c"].median()}) 
merged_df_f["msf_AverageDonorValue__c"] = merged_df_f["msf_AverageDonorValue__c"].replace({np.nan:merged_df_f["msf_AverageDonorValue__c"].median()})


# Observamos si queda algún campo numérico con valores nulos:

# Reemplazar los valores en blanco ('') con NaN
merged_df_f.replace('', np.nan, inplace=True)
# Calcular el porcentaje de valores nulos (incluyendo los valores en blanco)
porcentaje_nulos = merged_df_f.select_dtypes(include='number').isnull().mean() * 100
# Mostrar el porcentaje de valores nulos (incluyendo los valores en blanco)
print(porcentaje_nulos)

msf_annualizedquota__c             0.0
msf_LTVCont__c                     0.0
msf_ScoringRFVRecurringDonor__c    0.0
msf_AverageDonorValue__c           0.0
msf_changeannualizedquota__c       0.0
msf_newannualizedquota__c          0.0
flag_aumento                       0.0
year_activo                        0.0
age                                0.0
msf_seniority__c                   0.0
index                              0.0
dtype: float64


# Veamos los valores outliers:

numeric_cols =[col for col in merged_df_f.columns]
for col in numeric_cols:
    if merged_df_f[col].dtype in [int, float]: 
        fig = px.histogram(merged_df_f[numeric_cols], x=col, title=f"Histogram for column {col}")

        # Comprobación de valores atípicos
        mean = np.mean(merged_df_f[col])
        std = np.std(merged_df_f[col])

        print(f"Mean for col {col} is {mean}")
        print(f"Standard deviation for col {col} is {std}")

        atipicos_leves_sup = mean + 1.5*std
        atipicos_leves_inf = mean - 1.5*std

        fig.add_vrect(x0=atipicos_leves_inf, x1=atipicos_leves_sup, 
                  annotation_text="tipicos", annotation_position="top left",
                  fillcolor="green", opacity=0.25, line_width=0)

        fig.show()
        print("\n")

Mean for col msf_annualizedquota__c is 166.89830468359273
Standard deviation for col msf_annualizedquota__c is 199.09706683768385


Mean for col msf_LTVCont__c is 901.1601888591342
Standard deviation for col msf_LTVCont__c is 1305.3848723785452


Mean for col msf_ScoringRFVRecurringDonor__c is 3.1424530779151527
Standard deviation for col msf_ScoringRFVRecurringDonor__c is 1.6027595352130293


Mean for col msf_AverageDonorValue__c is 38.013411424062774
Standard deviation for col msf_AverageDonorValue__c is 88.93805383830966


Mean for col msf_changeannualizedquota__c is 104.07423477008379
Standard deviation for col msf_changeannualizedquota__c is 224.51542827376957


Mean for col msf_newannualizedquota__c is 151.42951016386814
Standard deviation for col msf_newannualizedquota__c is 216.04296862393127


Mean for col age is 55.005618437977226
Standard deviation for col age is 14.630258690073589


Mean for col msf_seniority__c is 6.957332320821339
Standard deviation for col msf_seniority__c is 4.058336251907183


# Ahora tratamos los campos tipo categóricos:
merged_df_f.describe(include='object')


variables_object = ['msf_currentleadsource1__c','msf_leadsource1__c','npe03__installment_period__c','Gender__c','msf_leadsource3__c','msf_newrecurringperiod__c','Provincia2']
for variable in variables_object:
    merged_df_f[variable].value_counts(ascending=True,normalize=True).tail(20).plot.barh()
    plt.show()


# Modificamos el valor de algunos campos en base a los valores mayoritarios para no tener tantas opciones
def agrup_currentleadsource(x):
    if x == "Telemarketing":
        return "Telemarketing"
    if x == "Persona a persona":
        return "Persona a persona"
    if x == "Web MSF":
        return "Web MSF"
    if x == "Personal con tablet":
        return "Personal con tablet"
    if x == "Teléfono campaña":
        return "Teléfono campaña"
    else:
        return 'Resto'  # Si no coincide con ninguna categoría, se asigna 'Resto'
# Aplicamos la función a dos campos
merged_df_f['agrup_currentleadsource'] = merged_df_f['msf_currentleadsource1__c'].apply(agrup_currentleadsource)
merged_df_f['agrup_leadsource'] = merged_df_f['msf_leadsource1__c'].apply(agrup_currentleadsource)


# Modificamos el valor del campo gender para unificarlo
def agrup_gender(x):
    if x == "Female":
        return "Female"
    if x == "Male":
        return "Male"
    if x == "M":
        return "Female"
    if x == "H":
        return "Male"
    else:
        return 'Resto'
    
merged_df_f['agrup_gender'] = merged_df_f['Gender__c'].apply(agrup_gender)


# Sustituimos los valores nulos por los valores siguientes:
merged_df_f2 = merged_df_f.fillna(method='ffill', axis=0).fillna(0)
# Borramos las variables agrupadas de la función de antes
merged_df_f2 = merged_df_f2.drop(['msf_currentleadsource1__c','msf_leadsource1__c','Gender__c'], axis=1)


# Lista de columnas para las que se crearán variables ficticias
var_dummies = ['npe03__installment_period__c','msf_PressureComplaint__c','agrup_gender','msf_leadsource3__c','msf_newrecurringperiod__c','Provincia2',
              'agrup_currentleadsource', 'agrup_leadsource']

merged_df_f2 = pd.get_dummies(merged_df_f2, columns = var_dummies, drop_first = True)
merged_df_f2.head()


# Guardamos la tabla resultante
merged_df_f2.to_csv('Data/df_inicial.csv')


# Eliminamos los campos con el id de la tabla contacto y de donaciones recurrentes:
merged_df_f2 = merged_df_f2.drop(["con_id", "rec_id"], axis = 1)


# Calculamos la matriz de correlación entre todas las columnas
correlation = merged_df_f2.iloc[:,:].corr(method='pearson')


# Las visualizamos de forma ascendente
correlation.flag_aumento.abs().sort_values(ascending=False)[1:]

msf_leadsource3__c_Teléfono                    0.266303
msf_leadsource3__c_Personal                    0.221631
agrup_currentleadsource_Telemarketing          0.187320
msf_leadsource3__c_Online                      0.085210
msf_changeannualizedquota__c                   0.084690
agrup_currentleadsource_Web MSF                0.054751
agrup_currentleadsource_Personal con tablet    0.054029
msf_ScoringRFVRecurringDonor__c                0.052900
npe03__installment_period__c_Monthly           0.052376
msf_newrecurringperiod__c_Monthly              0.051817
msf_newrecurringperiod__c_Yearly               0.048153
npe03__installment_period__c_Yearly            0.047969
age                                            0.043269
msf_annualizedquota__c                         0.041333
year_activo                                    0.040818
agrup_currentleadsource_Resto                  0.039388
msf_newannualizedquota__c                      0.038299
index                                          0.035616
msf_LTVCont__c                                 0.024995
agrup_leadsource_Telemarketing                 0.022559
msf_seniority__c                               0.021760
agrup_currentleadsource_Teléfono campaña       0.020592
agrup_leadsource_Web MSF                       0.017577
npe03__installment_period__c_Quarterly         0.015872
msf_newrecurringperiod__c_Quarterly            0.015124
npe03__installment_period__c_Semestral         0.011372
msf_newrecurringperiod__c_Semestral            0.010166
agrup_leadsource_Resto                         0.009675
Gender__c_Male                                 0.008489
Gender__c_Male                                 0.008489
Gender__c_Other                                0.007456
Gender__c_Other                                0.007456
agrup_leadsource_Personal con tablet           0.006569
msf_PressureComplaint__c_True                  0.005828
msf_leadsource3__c_Otro                        0.005809
agrup_leadsource_Teléfono campaña              0.003745
Provincia2_Sevilla                             0.003694
msf_leadsource3__c_Entidad financiera          0.003167
Provincia2_Valencia                            0.002847
Provincia2_Resto                               0.002601
Provincia2_Pais Vasco                          0.002360
msf_AverageDonorValue__c                       0.002353
Provincia2_Madrid                              0.000243
Name: flag_aumento, dtype: float64


# Utilizamos Seaborn para crear un gráfico de barras que muestra la distribución de la variable objetivo
sns.countplot(x="flag_aumento", data=merged_df_f2)

<AxesSubplot: xlabel='flag_aumento', ylabel='count'>


# Para ver los datos númericos de la distribución obtenida
merged_df_f2["flag_aumento"].value_counts()

0    534658
1     63195
Name: flag_aumento, dtype: int64


# Separamos nuestro dataset en variables independientes (X) y la variable objetivo (y)
X = merged_df_f2.drop("flag_aumento", axis = 1)
y = merged_df_f2["flag_aumento"]


# Aplicamos la técnica de oversampling utilizando SMOTE para equilibrar las clases
oversample = SMOTE(sampling_strategy=0.6)
X_smote, y_smote = oversample.fit_resample(X, y)


# Creamos un nuevo DataFrame que contiene las características equilibradas y la variable objetivo
dataset_smote = pd.DataFrame(X_smote)
dataset_smote["flag_aumento"] = y_smote


# Vemos la distribución del dataset tratado
sns.countplot(x="flag_aumento", data=dataset_smote)

<AxesSubplot: xlabel='flag_aumento', ylabel='count'>


# Guardamos la tabla resultante que será con la que probemos el modelo
dataset_smote.to_csv('Data/df_balanceada.csv')


# Leemos la tabla 
# dataset_smote = pd.read_csv('Data/df_balanceada.csv')


#Eliminamos de X la variable objetivo:
X = dataset_smote.drop(["flag_aumento","index"], axis = 1)
y = dataset_smote['flag_aumento']


# Separamos el dataset en conjunto de entrenamiento y trest:
X_train, X_test, Y_train, Y_test = train_test_split(X, y, test_size = 0.20, random_state=0)


print(X_train.shape)
print(X_test.shape)
print(Y_train.shape)
print(Y_test.shape)

(684361, 40)
(171091, 40)
(684361,)
(171091,)


# Aplicamos la estandarización a las características del conjunto de entrenamiento (X_train) y del conjunto de prueba (X_test)
sc_X = StandardScaler()
X_train = sc_X.fit_transform(X_train)
X_test = sc_X.transform(X_test)


# Probamos con un modelo de Regresión Logística
classifier = LogisticRegression(random_state = 0)
# Entrenamiento del modelo
classifier.fit(X_train, Y_train)

LogisticRegression(random_state=0)


# Realizamos predicciones en el conjunto de prueba utilizando el clasificador entrenado
y_pred  = classifier.predict(X_test)


# Evaluamos el rendimiento del modelo 
print(classification_report(Y_test, y_pred))

              precision    recall  f1-score   support

           0       0.90      0.90      0.90    107137
           1       0.83      0.84      0.83     63954

    accuracy                           0.88    171091
   macro avg       0.87      0.87      0.87    171091
weighted avg       0.88      0.88      0.88    171091


# Mostramos la matriz de confusión que compara las predicciones con las etiquetas reales

pd.DataFrame(
    confusion_matrix(Y_test, y_pred),
    columns=['Predicción aumenta cuota', 'Predicción No aumenta cuota'],
    index  =['Verdadero aumenta cuota', 'Verdadero No aumenta cuota']
)


# Calculamos y mostramos la precisión del modelo
accuracy_score(Y_test, y_pred)

0.8751541577289279


# Calculamos y mostramos el área bajo la curva ROC del modelo
roc_auc = roc_auc_score(Y_test, y_pred)
roc_auc

0.8673309664898703


import matplotlib.pyplot as plt

# Calculamos la gráfica de dicha curva
fpr, tpr, threshold = roc_curve(Y_test, y_pred)


plt.title("Area bajo la curva")
plt.plot(fpr, tpr, label = "AUC = %0.2f"% roc_auc)
plt.legend(loc = "lower right")
plt.plot([0, 1], "r--")
plt.xlim([0, 1])
plt.ylim([0, 1])
plt.ylabel("Ratio verdaderos positivos")
plt.xlabel("Ratio falsos positivos")
plt.show()


# Separamos el conjunto de entrenamiento en Train y test:
X = dataset_nearmiss.drop("flag_aumento", axis = 1)
y = dataset_nearmiss['flag_aumento']


# Seleccionamos las variables predictoras y la variable objetivo
# Dividimos el conjunto de entrenamiento en train y val
X_train, X_val, y_train, y_val = train_test_split(X, y, test_size=0.2, random_state=2)


# Normalizamos:
sc_X = StandardScaler()
X_train = sc_X.fit_transform(X_train)
X_val = sc_X.transform(X_val)


classifier = LogisticRegression(random_state = 0)

# Definimos el rango de parámetros y decidimos que gridsearch pruebe con los hiperparámetros C y penalty

param_grid = {'C': np.linspace(0.1, 2, 100), 'penalty' : ['l2', 'l1']}  

#Definimos el seleccionador de modelos
# Con esto, GridSearch va a probar con el modelo de regresión logística modificando los hiperparámetros
# definidos en param_grid
grid = GridSearchCV(classifier, param_grid) 
  
# Entrenamos para extraer el mejor modelo 
grid.fit(X_train, y_train)

GridSearchCV(estimator=LogisticRegression(random_state=0),
             param_grid={'C': array([0.1       , 0.11919192, 0.13838384, 0.15757576, 0.17676768,
       0.1959596 , 0.21515152, 0.23434343, 0.25353535, 0.27272727,
       0.29191919, 0.31111111, 0.33030303, 0.34949495, 0.36868687,
       0.38787879, 0.40707071, 0.42626263, 0.44545455, 0.46464646,
       0.48383838, 0.5030303 , 0.52222222, 0.54141414, 0.56060606,
       0.5...
       1.34747475, 1.36666667, 1.38585859, 1.40505051, 1.42424242,
       1.44343434, 1.46262626, 1.48181818, 1.5010101 , 1.52020202,
       1.53939394, 1.55858586, 1.57777778, 1.5969697 , 1.61616162,
       1.63535354, 1.65454545, 1.67373737, 1.69292929, 1.71212121,
       1.73131313, 1.75050505, 1.76969697, 1.78888889, 1.80808081,
       1.82727273, 1.84646465, 1.86565657, 1.88484848, 1.9040404 ,
       1.92323232, 1.94242424, 1.96161616, 1.98080808, 2.        ]),
                         'penalty': ['l2', 'l1']})


grid.best_params_  #Para ver los mejores parámetros

{'C': 1.6545454545454545, 'penalty': 'l2'}


grid_prediction = grid.best_estimator_.predict(X_val)


print(classification_report(y_val, grid_prediction))

              precision    recall  f1-score   support

           0       0.70      0.74      0.72     12710
           1       0.72      0.68      0.70     12568

    accuracy                           0.71     25278
   macro avg       0.71      0.71      0.71     25278
weighted avg       0.71      0.71      0.71     25278


# Pintamos la matriz de confusión
confusion_matrix(y_val, grid_prediction)

array([[9396, 3314],
       [4048, 8520]], dtype=int64)


# Mejoramos un resultado frente a la matriz de confusión anterior


accuracy_score(y_val, grid_prediction)

0.7087586043199621


roc_auc_score(y_val, grid_prediction)

0.708586291361774


# Calculamos lo que pasamos a la gráfica
fpr, tpr, threshold = roc_curve(y_val, grid_prediction)


roc_auc = roc_auc_score(y_val, grid_prediction)


import matplotlib.pyplot as plt
plt.title("Area bajo la curva")
plt.plot(fpr, tpr, label = "AUC = %0.2f"% roc_auc)
plt.legend(loc = "lower right")
plt.plot([0, 1], "r--")
plt.xlim([0, 1])
plt.ylim([0, 1])
plt.ylabel("Ratio verdaderos positivos")
plt.xlabel("Ratio falsos positivos")
plt.show()

	rec_id	msf_annualizedquota__c	msf_cancelationdate__c	msf_currentleadsource1__c	msf_currentquotamodification__c	msf_leadsource1__c	msf_memberid__c	npe03__contact__c	npe03__date_established__c	npe03__installment_period__c	npe03__recurring_donation_campaign__c	msf_birthyear__c	Gender__c	msf_LTVCont__c	msf_PressureComplaint__c	msf_ScoringRFVRecurringDonor__c	msf_AverageDonorValue__c	con_id	msf_EntryCampaign__c	msf_FirstCampaignEntryRecurringDonor__c	msf_FirstCampaingColaboration__c	quo_id	isdeleted	msf_recurringdonation__c	msf_campaigninfluence__c	msf_changeannualizedquota__c	msf_changetype__c	msf_leadsource3__c	msf_newannualizedquota__c	msf_newrecurringperiod__c	msf_contactid__c	msf_changedate__c	year_activo
0	a093Y00001RZ7YyQAL	180.0	2018-06-01	Email a SAS	a1y3Y000002PwXAQA0	Email a SAS	10916097	0033Y00002uo1H5QAI	2015-12-03	Monthly	7013Y000001mrBLQAY	NaN	Female	830.0	False	0.6	NaN	0033Y00002uo1H5QAI	7013Y000001mr30QAA	7013Y000001mr30QAA	7013Y000001mr30QAA	a1y3Y000002PwXAQA0	False	a093Y00001RZ7YyQAL	7013Y000001mrBLQAY	180.0	Initial	Online	180.0	Monthly	0033Y00002uo1H5QAI	2015-12-03	2015
1	a093Y00001RZ7ZuQAL	60.0	2019-05-07	Persona a persona	a1y3Y000002RPGyQAO	Persona a persona	11132307	0033Y00002uooTFQAY	2015-02-19	Yearly	7013Y000001mr2cQAA	1957.0	Male	300.0	False	1.8	NaN	0033Y00002uooTFQAY	7013Y000001mr2cQAA	7013Y000001mr2cQAA	7013Y000001mr2cQAA	a1y3Y000002RPGyQAO	False	a093Y00001RZ7ZuQAL	7013Y000001mr2cQAA	60.0	Initial	Personal	60.0	Yearly	0033Y00002uooTFQAY	2015-02-19	2015
2	a093Y00001RZ7a2QAD	300.0	2019-01-07	Persona a persona	a1y3Y000002RCV1QAO	Persona a persona	11156602	0033Y00002up0LKQAY	2015-04-07	Monthly	7013Y000001mr2DQAQ	1988.0	Male	1125.0	False	1.5	NaN	0033Y00002up0LKQAY	7013Y000001mr2DQAQ	7013Y000001mr2DQAQ	7013Y000001mr2DQAQ	a1y3Y000002RCV1QAO	False	a093Y00001RZ7a2QAD	7013Y000001mr2DQAQ	300.0	Initial	Personal	300.0	Monthly	0033Y00002up0LKQAY	2015-04-07	2015

	msf_annualizedquota__c	msf_LTVCont__c	msf_ScoringRFVRecurringDonor__c	msf_AverageDonorValue__c	msf_changeannualizedquota__c	msf_newannualizedquota__c	flag_aumento	year_activo	age	msf_seniority__c	index
count	597853.000000	592953.000000	597853.000000	151532.000000	597853.000000	597853.000000	597853.000000	597853.000000	486139.000000	597853.000000	597853.00000
mean	166.898305	903.425773	3.142453	60.320070	104.074235	151.429510	0.105703	2017.319150	55.006910	6.957332	298926.00000
std	199.097233	1310.529636	1.602761	174.761642	224.515616	216.043149	0.307458	1.903696	16.224429	4.058340	172585.43958
min	0.000000	0.010000	0.000000	0.010000	0.000000	0.000000	0.000000	2015.000000	0.000000	0.000000	0.00000
25%	84.000000	294.000000	1.600000	20.000000	48.000000	72.000000	0.000000	2016.000000	43.000000	5.000000	149463.00000
50%	132.000000	627.000000	3.500000	30.440000	72.000000	120.000000	0.000000	2017.000000	55.000000	7.000000	298926.00000
75%	204.000000	1135.000000	4.500000	60.000000	120.000000	180.000000	0.000000	2019.000000	67.000000	8.000000	448389.00000
max	72000.000000	199150.000000	6.700000	18000.000000	72000.000000	72000.000000	1.000000	2021.000000	311.000000	37.000000	597852.00000

Decidimos sustituir los nulos por la mediana para evitar desvirtuar resultados:¶

Se hace un primer guardado de la tabla final para preparar modelo¶

Balanceamos datos de las variable objetivo¶

Se guarda la tabla con datos balanceados, será con la que se probarán los modelos¶

Realizamos el modelo utilizando los datos balanceados:¶

REGRESIÓN LOGÍSTICA¶

Métricas de calidad¶

	rec_id	msf_currentleadsource1__c	msf_leadsource1__c	npe03__installment_period__c	Gender__c	con_id	msf_leadsource3__c	msf_newrecurringperiod__c	Provincia2
count	597853	597678	597789	596564	591637	597853	583597	597752	597853
unique	378633	24	18	5	3	357693	6	5	6
top	a093Y00001SrXozQAF	Telemarketing	Persona a persona	Monthly	Female	0033Y00002uNbs3QAC	Teléfono	Monthly	Resto
freq	68	365606	270635	488413	343659	68	328333	493415	321980

	Predicción aumenta cuota	Predicción No aumenta cuota
Verdadero aumenta cuota	96244	10893
Verdadero No aumenta cuota	10467	53487